در تحلیلی جسورانه و بحث‌برانگیز که در تابستان ۱۴۰۳ منتشر شد، فرانسوا شوله (François Chollet)، محقق ارشد هوش مصنوعی در گوگل و هم‌بنیان‌گذار ARC Prize، استراتژی‌های غالب در صنعت هوش مصنوعی را به چالش کشید. وی معتقد است تمرکز افراطی شرکت‌هایی نظیر OpenAI بر مدل‌های زبانی بزرگ (LLMs)، نه تنها راهگشا نیست، بلکه مسیر رسیدن به هوش مصنوعی عمومی یا AGI را ۵ تا ۱۰ سال به عقب رانده است.
پارادوکس مدل‌های زبانی: هوش یا شبیه‌سازی؟
از نظر شوله، مدل‌های زبانی بزرگ که بر پایه شبکه‌های عصبی (Neural Networks) بنا شده‌اند، اگرچه در پیش‌بینی توالی کلمات و تولید متن‌های متقاعدکننده به پیشرفت‌های شگفت‌انگیزی دست یافته‌اند، اما از دیدگاه علمی «بُن‌بست» محسوب می‌شوند. تعریف استاندارد از AGI، توانایی استدلال انسانی، تعمیم‌دهی به داده‌های دیده نشده و یادگیری مهارت‌های کاملاً جدید در محیط‌های ناشناخته است. LLMها به‌طور ماهوی در حال «درون‌یابی» (Interpolation) داده‌های آموزشی خود هستند و فاقد مکانیسم‌های لازم برای «استدلال انتزاعی» (Abstract Reasoning) می‌باشند.
انحراف منابع از مسیر اصلی تحقیق
یکی از انتقادهای اصلی فرانسوا شوله، اختصاص بی‌رویه سرمایه‌های کلان، توان پردازشی و نیروی انسانی به بهینه‌سازی مدل‌های زبانی است. او معتقد است وقتی صنعت به جای کاوش در معماری‌های نوین و الگوریتم‌های یادگیری کارآمد، تمام تمرکز خود را بر افزایش پارامترها و ابعاد مدل‌های ترنسفورمر (Transformer) می‌گذارد، فرصت طلایی برای توسعه ساختارهای هوشمند واقعی از دست می‌رود. این «اعتیاد به مقیاس» منجر به نادیده گرفتن شاخه‌های پژوهشی می‌شود که می‌توانند منجر به درک واقعی و تعامل هوشمندانه با جهان شوند.
معیار ARC-AGI: سنگ محکی برای واقعیت
شوله برای اثبات مدعای خود و تمایز میان «عملکرد آماری» و «هوش واقعی»، مسابقه و بنچمارک ARC (Abstraction and Reasoning Corpus) را معرفی کرده است. این بنچمارک به گونه‌ای طراحی شده که مدل‌ها نتوانند با اتکا به داده‌های عظیم آموزشی (که در اینترنت موجود است) به سوالات پاسخ دهند، بلکه باید در لحظه توانایی حل مسائل منطقی و انتزاعی جدید را داشته باشند. نتایج نشان می‌دهد که علیرغم هیاهوی بازاریابی، هیچ‌کدام از مدل‌های LLM فعلی نتوانسته‌اند در این چالش به عملکردی نزدیک به سطح هوش انسانی دست یابند.
مشخصات و مفاهیم کلیدی مورد نقد
- AGI (Artificial General Intelligence): سیستم‌های هوشمند با قابلیت تعمیم‌دهی به مسائل دیده نشده.
- LLM (Large Language Model): سیستم‌های مبتنی بر احتمال آماری که در بازنمایی هوش انتزاعی محدودیت دارند.
- ARC-AGI Benchmark: مجموعه آزمونی برای اندازه‌گیری قابلیت‌های استدلال انتزاعی به جای حفظ کردن الگوهای آماری.
- Dead-end Architecture: اشاره به معماری فعلی ترنسفورمر که در رسیدن به هوش عمومی با سقف عملکرد روبروست.
نتیجه‌گیری و پیامدها برای آینده صنعت
هیاهوی پیرامون شرکت‌هایی نظیر OpenAI و Anthropic، عمدتاً در جهت جذب سرمایه و بازاریابی برای «خطر وجودی» هوش مصنوعی است؛ موضوعی که شوله آن را با هدف بزرگ‌نمایی توانمندی‌های فعلی فناوری می‌داند. در حالی که صنعت درگیر مسائل مربوط به IPO و رقابت‌های تجاری است، مسیر واقعی علم برای رسیدن به AGI در سایه قرار گرفته است. دیدگاه شوله، دعوتی است به بازگشت به اصول علمی و فاصله گرفتن از «فتیشیزاسیونِ مدل‌های زبانی» به سمت خلق معماری‌هایی که واقعاً فکر می‌کنند و نه فقط کلمات را کنار هم می‌چینند.
